RBF人工神经网络在纬编摇粒绒保暖测试中的应用

张高扬，翟成功，刁永辉

（1 军事经济学院军需系湖北武汉430035；2 湖北省纤维检验局湖北武汉430061）

1 纬编摇粒绒保暖测试数据的预测、鉴别和修订的必要性

在传统纬编摇粒绒织物保暖性测试方法中，测试数据经常受到很多误差的影响。尤其是织物的CLO值受到误差的影响最大，经常出现同一块纬编摇粒绒面料使用同一种测试工具在不同的季节测试或在不同的测试单位测试，其CLO值相差甚大的情况，即便是同一天测试CLO值，上午、下午、晚上三个时段的CLO值也不同[1]。这些现象一直困扰着织物检测人员，消除误差，保证纬编摇粒绒织物保暖性测试结果的客观性，成了织物检测人员的当务之急。

织物的厚度、克重等基础性能与织物的保温率、CLO值存在一定的函数映射关系。因此，若能将纬编摇粒绒织物的基础数据和保暖性能的结果之间的函数映射关系通过计算机模拟和量化再现，将大大减少误差对织物保暖性测试结果的影响。而人工神经网络具有人脑神经细胞相类似的功能，而且具有很强的存储和学习能力，可以充分逼近复杂的非线性关系，特别是RBF人工神经网络具有收敛快、纠错能力强的特点。故本文采用RBF人工神经网络对纬编摇粒绒保暖性能的数据和结果进行预测、鉴别和修订，来减少误差对保暖性结果影响，以保证其测试结果的准确和客观性。

2 RBF 人工神经网络概述

RBF人工神经网络具有生物学背景，在大脑皮层中，每一个感光神经元都有一个感光区域，称作感受野，这些感受野并不是完全独立的，而是互相交叠的，有重合的部分，感受野的范围也是可以调节的。基于感受野这一特性，1988年，Broomhead和Lowe将RBF引入到神经网络设计中，产生了RBF人工神经网络。1989年，Jackson论证了RBF人工神经网络对非线性连续函数的一致逼近性能[2]。由于RBF人工神经网络输出层是对隐含层的线性加权，使得该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射功能。因此，现被广泛应用于数据分析、模式识别、非线性控制和图像处理等领域[3]。

RBF神经网络是前馈神经网络，与BP网络相比，RBF网络不仅有生理学基础，而且结构更加简洁，学习速度也更快。RBF人工神经网络通常由三层组成：输入层、隐含层、输出层，如图1所示。它只有一个隐含层，输出单元是线性求和单元，即输出是各隐单元的加权求和，隐单元的转移函数用径向基函数（Radial Basis Function,RBF），输入单元和隐单元的连接权值固定为1，只有隐单元和输出单元的连接权值可调[4]。

图1 RBF人工神经网络结构

在RBF网络中，输入单元到隐单元的映射为非线性的，而隐单元到输出单元则是线性的，因而可以把输出单元部分看作一个单层感知器，这样，只有选择适当的隐单元数及其作用函数，就可以把原来的问题映射为一个线性可分问题，从而可用一个线性单元解决问题[5]。

人工神经网络可以看作一个“黑箱”，只要把数据输入到一个已经训练好的人工神经网络的输入端，就可以从输出端得到预期的结果。通过学习获取知识并改进自身性能是人工神经网络的一个非常重要特点，在一般情况下，性能的改善是按某种预定对象通过调节自身参数而达到。学习目的是通过向有限样本的学习找到隐含在样本背后的规律。MATLAB提供的人工神经网络工具箱是一个解决那些因为难以建立有效形式化模型且不存在直接求解算法的问题的工具，它是以人工神经网络理论为基础，用MATLAB语言构造出了该理论所设计的公式运算、矩阵擦破作何方程求解等大部分子程序，以用于人工神经网络设计和训练。用户只要根据自己的需要调用相关程序，免除了自己编写复杂庞大的算法程序的困扰[6]。所以本文使用了MATLAB提供的人工神经网络工具箱中的RBF人工神经网络对纬编摇粒绒保暖测试的数据进行处理。

3 RBF 人工神经网络对纬编摇粒绒的保暖测试实验

3.1 RBF 人工神经网络输入输出向量的确定

纬编摇粒绒的保暖测试通常在恒温室测试，影响纬编摇粒绒织物保暖性的因素有，恒温室的温度、湿度，织物的克重、厚度，以及织物的组织结构，纤维的导热系数等因素。由于织物的组织结构无法量化，为了保证实验的准确性和可行性，本试验采取了相同组织结构，同一种纤维（相同导热系数）的织物作为试验的样本，就是采用100%涤纶纬编摇粒绒作为测试的样本。测试样品的CLO值，来表征纬编摇粒绒的保暖性能优越性。测试所得到的数据和计算结果应用到RBF人工神经网络中，在这个RBF人工神经网络中，其输入向量确定为：温度、湿度、织物的克重和厚度；输出向量确定为：织物的CLO值。

3.2 训练样本集的确定

对RBF人工神经网络来说，选取适当数量的可靠样本也是非常需要的。本文的样本来自湖北省纤维检验局的测试数据。首先，选取50个不同的纬编摇粒绒织物样品进行测试，为了保证测试数据准确性，每一个织物样品进行五次测试，然后，通过加权平均值得到样品的CLO值。把50个织物样品的克重、厚度及测试时恒温室的温度、湿度作为RBF人工神经网络的输入，而与之相对应的CLO值作为神经网络的输出，从而组成RBF人工神经网络的样本集。将其中30个作为训练样本，20个作为测试样本。

3.3 实验结果及分析

RBF神经网络训练的结果如图2、图3所示。

图2 RBF人工神经网络训练误差曲线

图2为RBF人工神经网络训练误差曲线，均方根误差在训练5 000次后达到了0.0501，满足误差允许范围。选取部分测试样本比较如表1所示。

表1中测试样本的CLO测试值作为CLO的期望值，其中表中的温度、湿度、克重、厚度作为RBF人工神经网络的输入，而CLO值作为RBF人工神经网络的输出。图3为CLO值的RBF人工神经网络实际输出与CLO的期望输出之间的差异比较。

图3 CLO值RBF网络实际输出与期望输出比较

表1 部分样品的测试值

采用RBF人工神经网络进行纬编摇粒绒织物厚度和克罗值之间的数据拟合修订分析，得到了厚度与克罗值之间的RBF拟合修订曲线，如图4所示：

图4 厚度与CLO值之间的RBF拟合曲线

通过图4所示，可以清晰地看到，对于相同组织结构的涤纶纬编摇粒绒织物来说，随织物厚度的增加，其保暖性能显著增强，尤其是当织物的厚度比较小的时候，其厚度和CLO值近似成线性关系，也就是说厚度增加时，相应地，CLO值增加的幅度也比较大。但是随着织物厚度的继续增加，其CLO值增加的幅度却明显变小。这是因为当织物厚度比较小的时候，沿织物厚度方向的一维导热过程和热对流过程为热量传递中的主要因素。但是随着织物厚度很大的时候，织物的导热过程和热对流过程成为非常复杂的多维过程，同时热量在传递过程中伴随着热量损失。故织物厚度很大的时候，相同厚度增加时，其CLO值增加趋势减缓，增加幅度减小。当然图4除了揭示纬编摇粒绒织物的热传递的一般规律以外，对织物检测人员来说，更重要的是RBF人工神经网络拟合曲线剔除了检测数据中的误差，修订了错误数据，从而提高了纬编摇粒绒保暖测试的精度。

4 结语

运用RBF人工神经网络来学习和模拟影响纬编摇粒绒织物保暖性能的因素与测试结果之间的函数映射关系，可以实现测试数据与运算结果的数据鉴别、修订，剔除无效的测试数据，以减少误差对测试结果的影响，保证了纬编摇粒绒织物保暖性能的测试结果的客观性和准确性。通过实验表明，该方法具有较高的精确度，相信更多的训练数据将会进一步改善RBF人工神经网络测试纬编摇粒绒保暖性能的精确度。

[1] 王宏亮.对服装保暖性能与透汽性能物理测试方法的研究[J].物理实验，2001；21（9）：15-18.

[2] Venkatrmanan Reddy. Analysis of Plant Measures trough Input-raining Neural Networks [J]. Computers chem, 1996;(20):889-894.

[3] 庞英智，赵晓丹，郭伟业.一种基于RBF 人工神经网络的预测方法研究[J]. 情报科学，2009；27（11）：1707-1709.

[4] 吕晓玲，谢邦昌.数据挖掘方法与应用[M].北京：中国人民大学出版社，2009：143-149.

[5] 冀雨潇.基于RBF 神经网络的权证价格预测[J].商场现代化，2010；（1）：82-84.

[6] 施航，马琳达.人工神经网络在股票价格预测中的应用[J].电脑开发与应用，2007；（9）：65-67.